三代测序数据pacbio数据处理

三代测序仪现在逐步投入正式使用之中，目前三代测序例如pacbio数据大的特点之一就是测序得到的reads特别长，最近我开展的一个项目中利用pacbio测序的到的reads中最长的到了23165bp，平均长度4033bp。虽然reads读长比较长，但是可靠性比较低，因此不能向一代、二代数据那样直接用于基因组拼接等。因而在使用之前我们需要利用一些来自454，illumina等平台的高质量二代数据对其进行correction，从原始的长reads中截取保守的高质量的短reads。以下分享利用pacBioToCA做correction的一般流程和方法。

首先pacBioToCA这个程序包含在wgs-assembler这个软件包中。该软件更多介绍以及下载地址：http://sourceforge.net/apps/mediawiki/wgs-assembler/index.php?title=Main_Page。

下载该软件之后按照以下的方法进行解压和安装

bzip2 -dc wgs-7.0.tar.bz2 | tar -xf -

cd wgs-7.0

cd kmer

gmake install

cd ../src

gmake

cd ..

但是在进行编译操作之前，需要对这个代码做一个简单的修改，因为默认该软件支持的最长的reads长度为2048bp，但是pacbio的reads会到20多kb。因此解压wgs-assembler 这个软件包之后，在wgs-assembler/src 这个文件夹里面有一个AS_global.h，将其206行的


#define AS_READ_MAX_NORMAL_LEN_BITS 11

改成


#define AS_READ_MAX_NORMAL_LEN_BITS 15

这样支持的最长的reads长度由2^11  (2048bp)，变成2^15  (32768bp)了。

CA这个软件利用各种平台的数据（例如454平台，illumina），或者不同格式的数据（fasta，fastq，sff等）数据前需要，需要将其转换成一个.frg文件。CA软件中针对来自不同测序平台的数据，有不同的转换软件，例如fasta格式数据：fastaToCA，fastq格式数据：fastqToCA，sff格式数据：sffToCA。

在做correction的时候会用到其他的平台的高质量reads数据，因此需要用相应的转换软件，将该reads数据转换一下生成相应.frg文件。对pacbio数据的correction也是一个pacbio reads的转换软件 pacBioToCA。

pacBioToCA的参数如下：

usage: pacBioToCA [options] -s spec.file -fastq fastqfile <frg>

-length Minimum length to keep.

-partitions Number of partitions for consensus

-sge Submit consensus jobs to the grid

-sgeCorrection Parameters for the correction step for the grid. This should match the threads specified below, for example by using -pe threaded

-l libraryname Name of the library; freeformat text.

-t threads Number of threads to use for correction.

由此可见在运行pacBioToCA时需要其他平台reads的frg文件。

更多详细的关于pacBioToCA介绍以及其他格式数据的转换，请阅读 http://www.leekatz.com/wiki/index.php?title=Bioinformatics/pacBioToCA。

目前我自己对pacbio的数据处理和使用经验也不是很充分，后续将结合自己的经验和别人的分享在做进一步整理和总结，也欢迎各位同学分享。

更多其它可参考的资料如下：

sourceforge上关于pacBioToCA的信息：http://sourceforge.net/apps/mediawiki/wgs-assembler/index.php?title=PacBioToCA

wgs-assembler软件介绍：http://sourceforge.net/apps/mediawiki/wgs-assembler/index.php?title=Main_Page